import pandas as pd
import numpy as np
import yfinance as yf
import matplotlib.pyplot as plt
import seaborn as sns

# Настройки отображения графиков и таблиц
plt.style.use("seaborn-v0_8")
pd.set_option("display.max_columns", None)

# Загрузка данных по Bitcoin (BTC-USD) - все данные с 17.09.2014
# data_out = yf.download("BTC-USD", start="2014-09-17", end="2025-08-17", interval="1d")

# Загрузка данных по Bitcoin (BTC-USD) - все данные с 17.09.2014
data_out = yf.download("BTC-USD", start="2014-09-17", end="2025-08-31", interval="1d")

print("Размер датасета:", data_out.shape)
data_out.head(10)

C:\Users\osh84\AppData\Local\Temp\ipykernel_12768\3214076028.py:15: FutureWarning: YF.download() has changed argument auto_adjust default to True
  data_out = yf.download("BTC-USD", start="2014-09-17", end="2025-08-31", interval="1d")
[*********************100%***********************]  1 of 1 completed

Размер датасета: (4001, 5)

# сохранение первичного датасета с ценами по биткойну
data_out.to_csv('data_crypto.csv')

# обратная выгрузка сохраненного датасета "data_crypto.csv"
data = pd.read_csv("data_crypto.csv")

display(data.head(10))

# Посмотрим на типы данных
display(data.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4003 entries, 0 to 4002
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   Price   4003 non-null   object
 1   Close   4002 non-null   object
 2   High    4002 non-null   object
 3   Low     4002 non-null   object
 4   Open    4002 non-null   object
 5   Volume  4002 non-null   object
dtypes: object(6)
memory usage: 187.8+ KB

None

# Удаляем первые две строки
data = data.drop([0, 1]).reset_index(drop=True)

# Приводим столбец "Price" к формату даты
data.rename(columns={"Price": "Date"}, inplace=True)
data["Date"] = pd.to_datetime(data["Date"], errors="coerce")

# Приводим остальные столбцы к float
for col in ["Close", "High", "Low", "Open", "Volume"]:
    data[col] = pd.to_numeric(data[col], errors="coerce")

display(data.head(10))

# Посмотрим на получившиеся типы данных
display(data.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4001 entries, 0 to 4000
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   Date    4001 non-null   datetime64[ns]
 1   Close   4001 non-null   float64       
 2   High    4001 non-null   float64       
 3   Low     4001 non-null   float64       
 4   Open    4001 non-null   float64       
 5   Volume  4001 non-null   int64         
dtypes: datetime64[ns](1), float64(4), int64(1)
memory usage: 187.7 KB

None

# Сохранение очищенного датасета с ценами по биткойну
data.to_csv('data_crypto_clear.csv', index=False)

# обратная выгрузка сохраненного датасета "data_crypto_clear.csv"
data = pd.read_csv('data_crypto_clear.csv')

display(data.head(10))
display(data.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4001 entries, 0 to 4000
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   Date    4001 non-null   object 
 1   Close   4001 non-null   float64
 2   High    4001 non-null   float64
 3   Low     4001 non-null   float64
 4   Open    4001 non-null   float64
 5   Volume  4001 non-null   int64  
dtypes: float64(4), int64(1), object(1)
memory usage: 187.7+ KB

None

# Преобразуем формат даты (object) в datetime
data["Date"] = pd.to_datetime(data["Date"], errors="coerce")

# Посмотрим типы данных в датасете и статистические данные
display(data.info())
display(data.describe())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4001 entries, 0 to 4000
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   Date    4001 non-null   datetime64[ns]
 1   Close   4001 non-null   float64       
 2   High    4001 non-null   float64       
 3   Low     4001 non-null   float64       
 4   Open    4001 non-null   float64       
 5   Volume  4001 non-null   int64         
dtypes: datetime64[ns](1), float64(4), int64(1)
memory usage: 187.7 KB

None

import plotly.express as px
import pandas as pd

fig = px.line(data, x=data["Date"], y=data["Close"],
              title="Цена закрытия BTC (интерактивный график)",
              labels={"Date": "Дата", "Close": "Цена закрытия, $"})
fig.update_layout(width=1000, height=600)
fig.show()

# Визуализация данных о ценах биткойна в период 2014-2025 гг.

plt.figure(figsize=(14, 6))

# интерактивный график: Динамика цен открытия и закрытия Bitcoin в период 2014-2025 гг.
fig = px.line(
    data,
    x="Date",
    y=["Open", "Close"],   
    title="Динамика цен открытия и закрытия Bitcoin в период 2014–2025 гг. (интерактивный график)",
    labels={
        "Date": "Дата (2014-2025 гг.)",
        "value": "Цены открытия и закрытия, $",      
        "variable": "Тип цены"    # подпись для легенды
    },
    color_discrete_sequence=["green", "red"]  
)
fig.update_layout(width=1200, height=600)
fig.show()

import matplotlib.dates as mdates

# Диапазон High–Low + линия Close
# -------------------------------
x = mdates.date2num(data["Date"].to_numpy())
plt.figure(figsize=(14, 6))
plt.fill_between(x, data["Low"].values, data["High"].values, 
                 alpha=0.25, label="Диапазон High–Low", color="blue")    # волатильность цен в течение дня
plt.plot(x, data["Close"].values, linewidth=0.25, label="Close", color="red")
plt.gca().xaxis_date()
plt.title("Bitcoin (2014-2025 гг.): диапазон цен в течение дня High–Low и линия Close")
plt.xlabel("Дата")
plt.ylabel("Цена, $")
plt.legend()
plt.grid(True)
plt.show()

fig = px.scatter(data, x=data["Open"], y=data["Close"],
              title="Зависимость цен открытия от цен закрытия Bitcoin (интерактивный график)",
              labels={"Open": "Цена открытия, $", "Close": "Цена закрытия, $"},
               color_discrete_sequence=["green"])
fig.update_layout(width=1000, height=600)
fig.show()

<Figure size 1400x600 with 0 Axes>

# интерактивный график: Динамика объёмов торгов Bitcoin в 2014-2025 гг.
fig = px.line(data, x=data["Date"], y=data["Volume"],
              title="Динамика объёмов торгов Bitcoin в 2014-2025 гг. (интерактивный график)",
              labels={"Date": "Дата", "Volume": "Объем торгов"},
               color_discrete_sequence=["purple"])
fig.update_layout(width=1200, height=600)
fig.show()

# интерактивный график: Зависимость объёма торгов от цены закрытия Bitcoin
fig = px.scatter(data, x=data["Close"], y=data["Volume"],
              title="Зависимость объёма торгов от цены закрытия Bitcoin (интерактивный график)",
              labels={"Close": "Цена закрытия, $", "Volume": "Объем торгов"},
               color_discrete_sequence=["blue"])
fig.update_layout(width=1000, height=600)
fig.show()

import matplotlib.pyplot as plt
import seaborn as sns

# --- 1) Распределение цен закрытия ---
plt.figure(figsize=(10,5))
sns.histplot(data["Close"], bins=30, kde=True, color="blue")
plt.title("Распределение цен закрытия Bitcoin (Close) в 2014-2025 гг.")
plt.xlabel("Цена закрытия, $")
plt.ylabel("Частота")
plt.grid(True)
plt.show()

# --- 2) Распределение доходности ---
data["Returns"] = data["Close"].pct_change()  # дневная доходность
plt.figure(figsize=(10,5))
sns.histplot(data["Returns"].dropna(), bins=50, kde=True, color="green")
plt.title("Распределение дневной доходности Bitcoin (Returns) в 2014-2025 гг.")
plt.xlabel("Доходность")
plt.ylabel("Частота")
plt.grid(True)
plt.show()

# --- 3) Корреляции между признаками ---
plt.figure(figsize=(8,6))
sns.heatmap(data[["Open","High","Low","Close","Volume"]].corr(),
            annot=True, cmap="PuRd", fmt=".2f")
plt.title("Bitcoin: Корреляции между признаками")
plt.show()

# Выгрузка данных о золоте, индийской рупии, нефти.
# данные берем за тот же период и с таким же датафреймом как в нашем очищенном датасете (2014-2025 гг., шаг - 1 день).
# далее - графическая проверка корреляции

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# === 1) Базовый BTC-датасет (в 2014-2025 гг., дневной) ===
btc = pd.read_csv("data_crypto_clear.csv", parse_dates=["Date"])
btc = btc.sort_values("Date").reset_index(drop=True)
btc_2025 = btc[(btc["Date"] >= "2014-09-17") & (btc["Date"] <= "2025-12-31")].copy()

start_date = btc_2025["Date"].min()
end_date   = btc_2025["Date"].max()

# === 2) Скачиваем активы одним вызовом ===
tickers = {
    "Gold": "GC=F",   # золото (фьючерсы)
    "Oil" : "CL=F",   # нефть WTI (фьючерсы)
    "INR" : "INR=X",  # USD/INR (рост = ослабление рупии)
}
raw = yf.download(list(tickers.values()), auto_adjust=False,
                  start=start_date, end=end_date, interval="1d",
                  progress=False, group_by="column")

# Вытаскиваем "Close" корректно для случая MultiIndex-колонок
if isinstance(raw.columns, pd.MultiIndex):
    close_assets = raw["Close"].copy()
else:
    # на всякий случай, если вдруг вернулся одиночный уровень
    close_assets = raw[["Close"]].copy()

# Переименовываем колонки на удобные имена
close_assets = close_assets.rename(columns={v: k for k, v in tickers.items()})

# Индекс -> столбец Date, убираем TZ, сортируем
close_assets = close_assets.copy()
close_assets.index = pd.to_datetime(close_assets.index)
# если индекс вдруг TZ-aware, обнулим таймзону
try:
    close_assets.index = close_assets.index.tz_localize(None)
except Exception:
    pass
close_assets = close_assets.sort_index().reset_index().rename(columns={"index": "Date"})

# === 3) Собираем единый датафрейм по датам ===
btc_close = btc_2025[["Date", "Close"]].rename(columns={"Close": "BTC"})
merged = btc_close.merge(close_assets, on="Date", how="inner")

print("Диапазон дат:", merged["Date"].min().date(), "—", merged["Date"].max().date())
display(merged.head(15))
display(merged.info())

Диапазон дат: 2014-09-17 — 2025-08-29

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2856 entries, 0 to 2855
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   Date    2856 non-null   datetime64[ns]
 1   BTC     2856 non-null   float64       
 2   Oil     2755 non-null   float64       
 3   Gold    2754 non-null   float64       
 4   INR     2852 non-null   float64       
dtypes: datetime64[ns](1), float64(4)
memory usage: 111.7 KB

None

# === Тепловая карта корреляции цен закрытия биткойна, нефти, золота и индийской рупии ===

import seaborn as sns

corr_df = merged.drop(columns='Date')
corr_mat = corr_df.corr()

plt.figure(figsize=(7,6))
sns.heatmap(corr_df.corr(), annot=True, cmap="Oranges", vmin=0.4, vmax=1, fmt=".2f")
plt.title("Корреляции BTC, нефти (Oil), золота (Gold) и индийской рупии (INR)")

plt.show()

# Сохранение полученного датасета с ценами закрытия фондов
merged.to_csv('data_crypto_founds.csv', index=False)

# выгрузим сохраненный очищенный датасет 'data_crypto_clear.csv'
data = pd.read_csv('data_crypto_clear.csv')

# Преобразуем формат даты (object) в datetime и остальные форматы в числовые
data["Date"] = pd.to_datetime(data["Date"], errors="coerce")

for c in ["Open","High","Low","Close","Volume"]:
    data[c] = pd.to_numeric(data[c], errors="coerce")

display(data.head(10))

# Посмотрим типы данных в датасете и статистические данные
display(data.info())
display(data.describe())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4001 entries, 0 to 4000
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   Date    4001 non-null   datetime64[ns]
 1   Close   4001 non-null   float64       
 2   High    4001 non-null   float64       
 3   Low     4001 non-null   float64       
 4   Open    4001 non-null   float64       
 5   Volume  4001 non-null   int64         
dtypes: datetime64[ns](1), float64(4), int64(1)
memory usage: 187.7 KB

None

# ======== расчет и добавление индикаторов ========
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

df = data.copy()

# ---- 1) Индикаторы ----

# 1.1) SMA 10/100
df["SMA_50"]  = df["Close"].rolling(window=50,  min_periods=1).mean()
df["SMA_200"] = df["Close"].rolling(window=200, min_periods=1).mean()

# 1.2) MACD (12, 26, 9)
ema12 = df["Close"].ewm(span=12, adjust=False).mean()
ema26 = df["Close"].ewm(span=26, adjust=False).mean()
df["MACD"] = ema12 - ema26
df["MACD_signal"] = df["MACD"].ewm(span=9, adjust=False).mean()
df["MACD_hist"] = df["MACD"] - df["MACD_signal"]

# 1.3) ATR (Average True Range, 14)
atr_window = 14
df["H-L"] = df["High"] - df["Low"]
df["H-C"] = (df["High"] - df["Close"].shift()).abs()
df["L-C"] = (df["Low"]  - df["Close"].shift()).abs()
df["TR"]  = df[["H-L","H-C","L-C"]].max(axis=1)
df["ATR_14"] = df["TR"].rolling(atr_window, min_periods=1).mean()
# ---- 3) Чистка временных служебных колонок (далее не нужны) ----
df.drop(columns=["L14","H14","H-L","H-C","L-C","TR"], inplace=True, errors="ignore")

df.head(15)

# ---- 2) Визуализации динамики индикаторов ----

# 2.1) Цена + SMA(50/200)
plt.figure(figsize=(14, 5))
plt.plot(df["Date"], df["Close"], linewidth=1, label="Close")
plt.plot(df["Date"], df["SMA_50"], linewidth=1, label="SMA 50")
plt.plot(df["Date"], df["SMA_200"], linewidth=1, label="SMA 200")
plt.title("Bitcoin (2014-2025 гг.): Цена и скользящие средние SMA_50 и SMA_200")
plt.xlabel("Дата"); plt.ylabel("Цена, $")
plt.legend(); plt.grid(True)
plt.show()

# 2.2) MACD (12,26,9)
plt.figure(figsize=(14, 4.5))
plt.plot(df["Date"], df["MACD"], linewidth=1, label="MACD")
plt.plot(df["Date"], df["MACD_signal"], linewidth=1, label="Signal (9)")
plt.bar(df["Date"], df["MACD_hist"], width=1.0, label="Histogram")
plt.title("MACD (12, 26, 9)")
plt.xlabel("Дата"); plt.ylabel("Значение")
plt.legend(); plt.grid(True)
plt.show()

# 2.3) ATR (14)
plt.figure(figsize=(14, 4))
plt.plot(df["Date"], df["ATR_14"], linewidth=1, label=f"ATR ({atr_window})")
plt.title("ATR (Average True Range, 14)")
plt.xlabel("Дата"); plt.ylabel("ATR")
plt.legend(); plt.grid(True)
plt.show()

# === Корреляции индикаторово с ценой закрытия биткойна  ===
features = ["SMA_50","SMA_200","MACD_hist","ATR_14"]
corr_df = df[["Close"] + features].dropna()
corr_close = corr_df.corr().loc[features, "Close"].sort_values(ascending=False)

print("Корреляции индикаторов с Close (BTC):")
print(corr_close)

#==============================

# === 3) Тепловая карта (Close + индикаторы) ===
corr_mat = corr_df.corr()

plt.figure(figsize=(7,6))
sns.heatmap(corr_df.corr(), annot=True, cmap="YlOrRd", vmin=-0.2, vmax=1, fmt=".2f")
plt.title("Корреляции SMA_50, SMA_200, MACD_hist, ATR_14 с ценами закрытия Bitcoin (Close)")
plt.show()

Корреляции индикаторов с Close (BTC):
SMA_50       0.989122
SMA_200      0.960193
ATR_14       0.872792
MACD_hist   -0.024393
Name: Close, dtype: float64

# ===== Сформированные датасеты =====
# датасет с идентификаторами
df

# датасет с очищенными данными по биткойну
data

# датасет с ценами закрытия биткойна, нефти, золота и инд. рупии
merged

# Создадим новый датасет с ценами закрытия и объемами торгов биткойна и коррелирующими столбцами из остальных датасетов (идектификаторы и традиционные активы
# data[["Date", "Close", "Volume"]] + df[["Date", "SMA_50", "SMA_200", "ATR_14"]] + merged[["Date", "Gold", "INR"]] через inner join через Date

final_merged = data[["Date", "Close", "Volume"]].merge(
    df[["Date", "SMA_50", "SMA_200", "ATR_14"]],
    on="Date",
    how="inner"
)

final_merged = final_merged.merge(
    merged[["Date", "Gold", "INR"]],
    on="Date",
    how="inner"
)

final_merged

# интерактивный график: Динаминка коррелирующих признаков
color_map = ["red", "green", "purple", "skyblue", "gold", "teal"]

fig = px.line(
    final_merged,
    x="Date",
    y=["Close", "SMA_50", "SMA_200", "ATR_14", "Gold", "INR"],   
    title="Динамика коррелирующих признаков (интерактивный график)",
    labels={
        "Date": "Дата (2014-2025 гг.)",
        "value": "Значения коррелирующих признаков",      
        "variable": "Название признака"    # подпись для легенды
    },
    color_discrete_sequence=color_map  
)
fig.update_layout(width=1200, height=600)
fig.show()

# Создание папки pictures в текущей директории для сохранения (выгрузки) графиков

import os

folder = "pictures"

if not os.path.exists(folder):
    os.makedirs(folder)
    print(f"Папка '{folder}' создана.")
else:
    print(f"Папка '{folder}' уже существует.")

Папка 'pictures' создана.

# статичный график: Динамика коррелирующих признаков для выгрузки

plt.figure(figsize=(12,6))

plt.plot(final_merged["Date"], final_merged["Close"],   color="red",     label="Close")
plt.plot(final_merged["Date"], final_merged["SMA_50"],  color="green",   label="SMA_50")
plt.plot(final_merged["Date"], final_merged["SMA_200"], color="purple",  label="SMA_200")
plt.plot(final_merged["Date"], final_merged["ATR_14"],  color="skyblue", label="ATR_14")
plt.plot(final_merged["Date"], final_merged["Gold"],    color="gold",    label="Gold")
plt.plot(final_merged["Date"], final_merged["INR"],     color="teal",    label="INR")

plt.title("Динамика коррелирующих признаков")
plt.xlabel("Дата (2014–2025 гг.)")
plt.ylabel("Значения коррелирующих признаков")
plt.legend()
plt.xticks(rotation=45)
plt.tight_layout()

# # выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/correlated_features.png", dpi=300, bbox_inches="tight")
plt.show()

# сохраним итоговый датасет с коррелирующими признаками - данный датасет далее в проекте будет использоваться для обучения и прогнозирования
final_merged.to_csv('final_merged_correllated.csv', index=False)

# тепловая карта сводной коррелияции всех коррелирующих признаков

final_merged_corr = final_merged.drop(columns=["Date"])
plt.figure(figsize=(8,6))
sns.heatmap(final_merged_corr.corr(),
            annot=True, cmap="Reds", vmin=0.7, vmax=1, fmt=".2f")
plt.title("Сводная корреляция между коррелирующими признаками")

# выгрузка карты в папку pictures в текущей директории
plt.savefig("pictures/correlation_heatmap.png", dpi=300, transparent=True)
plt.show()

from statsmodels.tsa.seasonal import seasonal_decompose

# 1) Загружаем итоговый датасет с коррелирующими признаками
df = pd.read_csv("final_merged_correllated.csv", parse_dates=["Date"]).sort_values("Date")
ts = df.set_index("Date")["Close"].astype(float)

# 2) Разложение (период сезонности: напр. 7 — недельная для дневных данных)
result = seasonal_decompose(ts, model="additive", period=7)  # или model="multiplicative"

# 3) Графики: наблюдение, тренд, сезонность, остаток (ошибка)
plt.figure(figsize=(12,10))
plt.subplot(5,1,1); plt.plot(ts);                 plt.title("Цена закрытия Bitcoin 2014-2025 гг.")
plt.subplot(5,1,2); plt.plot(result.trend);       plt.title("Тренд")
plt.subplot(5,1,3); plt.plot(result.seasonal);    plt.title("Сезонность 2014-2025 гг.")
plt.subplot(5,1,4); plt.plot(result.seasonal.loc['2025-01-01':'2025-08-31']);      plt.title("Сезонность в 2025 г.")
plt.subplot(5,1,5); plt.plot(result.resid);       plt.title("Остаток (ошибка)")
plt.tight_layout(); plt.show()

# Создаём пустую таблицу с нужными колонками
df_init = pd.DataFrame(columns=["RunTimestamp", "Model", "RMSE, $", "MAE, $", "MAPE, %"])

# Сохраняем в CSV
df_init.to_csv("models_metrics.csv", index=False)

print("Заготовка файла создана: models_metrics.csv")

df_init

Заготовка файла создана: models_metrics.csv

from datetime import datetime
import os

def save_metrics(model_name, rmse, mae, mape, file_path="models_metrics.csv"):
    """
    Сохраняет метрики качества модели в CSV с датой и временем.
    Если для данной модели уже есть строка — перезаписывает её новой.
    """
    new_row = pd.DataFrame([{
        "RunTimestamp": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
        "Model": model_name,
        "RMSE, $": round(rmse, 2),
        "MAE, $": round(mae, 2),
        "MAPE, %": round(mape, 2)
    }])

    if os.path.exists(file_path):
        df_old = pd.read_csv(file_path)

        # удаляем старые строки для этой модели
        df_old = df_old[df_old["Model"] != model_name]

        # объединяем с новой строкой
        df_new = pd.concat([df_old, new_row], ignore_index=True)
    else:
        df_new = new_row  # первый запуск → создаём файл

    # сохраняем в файл
    df_new.to_csv(file_path, index=False)
    print(f"Метрики сохранены для {model_name} → {file_path}")

from sklearn.metrics import mean_squared_error, mean_absolute_error
from statsmodels.tsa.statespace.sarimax import SARIMAX

# 1. Загружаем итоговый датасет с коррелирующими признаками
df_input = pd.read_csv("final_merged_correllated.csv", parse_dates=["Date"]).sort_values("Date")
df_input = df_input.set_index("Date")

# просмотр загруженного датасета
display(df_input)
df_input.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 2856 entries, 2014-09-17 to 2025-08-29
Data columns (total 7 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   Close    2856 non-null   float64
 1   Volume   2856 non-null   int64  
 2   SMA_50   2856 non-null   float64
 3   SMA_200  2856 non-null   float64
 4   ATR_14   2856 non-null   float64
 5   Gold     2754 non-null   float64
 6   INR      2852 non-null   float64
dtypes: float64(6), int64(1)
memory usage: 178.5 KB

# === ARIMA / SARIMA на ряде Close с train/test ===

# 1) Работаем с итоговым датасетом с коррелирующими признаками
df = pd.read_csv("final_merged_correllated.csv", parse_dates=["Date"]).sort_values("Date")

# 2) Берём только ряд Close (BTC)
ts = df["Close"].astype(float)
dates = df["Date"]

# 3) Делим по времени: последние 180 дней — тест
TEST_DAYS = 180
train, test = ts.iloc[:-TEST_DAYS], ts.iloc[-TEST_DAYS:]
dates_train, dates_test = dates.iloc[:-TEST_DAYS], dates.iloc[-TEST_DAYS:]

# ===== ARIMA (p,d,q) =====
arima_order = (1, 1, 1)
arima_model = SARIMAX(train, order=arima_order, seasonal_order=(0,0,0,0),
                      enforce_stationarity=False, enforce_invertibility=False)
arima_res = arima_model.fit(disp=False)

# Прогноз на длину теста
arima_pred = arima_res.get_forecast(steps=len(test)).predicted_mean

# Метрики ARIMA
arima_rmse = np.sqrt(mean_squared_error(test, arima_pred))
arima_mae  = mean_absolute_error(test, arima_pred)
arima_mape = (np.abs((test - arima_pred) / test)).mean() * 100
print(f"ARIMA{arima_order} | RMSE={arima_rmse:,.2f}  MAE={arima_mae:,.2f}  MAPE={arima_mape:,.2f}%")

# Сохраняем метрики качества в файл models_metrics.csv
save_metrics("ARIMA", arima_rmse, arima_mae, arima_mape)
# print ("Метрики качества сохранены в файл \"models_metrics.csv\"")

# ===== SARIMA (p,d,q)(P,D,Q,s) =====
sarima_order = (1, 1, 1)
sarima_seasonal = (1, 1, 1, 7)  # недельная сезонность для дневных данных
sarima_model = SARIMAX(train, order=sarima_order, seasonal_order=sarima_seasonal,
                       enforce_stationarity=False, enforce_invertibility=False)
sarima_res = sarima_model.fit(disp=False)

sarima_pred = sarima_res.get_forecast(steps=len(test)).predicted_mean

# Метрики SARIMA
sarima_rmse = np.sqrt(mean_squared_error(test, sarima_pred))
sarima_mae  = mean_absolute_error(test, sarima_pred)
sarima_mape = (np.abs((test - sarima_pred) / test)).mean() * 100
print(f"SARIMA{sarima_order}{sarima_seasonal} | RMSE={sarima_rmse:,.2f}  MAE={sarima_mae:,.2f}  MAPE={sarima_mape:,.2f}%")

# Сохраняем метрики качества в файл models_metrics.csv
save_metrics("SARIMA", sarima_rmse, sarima_mae, sarima_mape)
# print ("Метрики качества сохранены в файл \"models_metrics.csv\"")

# ===== Визуализация прогноза ARIMA и SARIMA =====
plt.figure(figsize=(12,6))
plt.plot(dates_train, train, label="Train")
plt.plot(dates_test,  test,  label="Test", color="gray")

plt.plot(dates_test, arima_pred.values, label=f"ARIMA{arima_order} прогноз")
plt.plot(dates_test, sarima_pred.values, label=f"SARIMA{sarima_order}{sarima_seasonal} прогноз")

plt.title("ARIMA / SARIMA: прогноз Close(BTC) на тестовом периоде")
plt.legend()
plt.xticks(rotation=45)
plt.tight_layout()

plt.savefig("pictures/ARIMA_SARIMA forecast", dpi=300, transparent=False)
plt.show()

ARIMA(1, 1, 1) | RMSE=11,360.31  MAE=9,592.98  MAPE=9.73%
Метрики сохранены для ARIMA → models_metrics.csv

C:\Users\osh84\AppData\Local\Temp\ipykernel_12768\3668175804.py:24: FutureWarning:

The behavior of DataFrame concatenation with empty or all-NA entries is deprecated. In a future version, this will no longer exclude empty or all-NA columns when determining the result dtypes. To retain the old behavior, exclude the relevant entries before the concat operation.

C:\Users\osh84\anaconda3\Lib\site-packages\statsmodels\base\model.py:607: ConvergenceWarning:

Maximum Likelihood optimization failed to converge. Check mle_retvals

SARIMA(1, 1, 1)(1, 1, 1, 7) | RMSE=10,534.82  MAE=8,169.51  MAPE=8.69%
Метрики сохранены для SARIMA → models_metrics.csv

# === Дополнение: анализ ошибок прогноза модели ARIMA ===

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 1) Таблица прогнозов и ошибок
results_arima = pd.DataFrame({
    "Date": pd.to_datetime(dates_test),
    "Actual_Close": np.asarray(test).reshape(-1),
    "Pred_Close":   np.asarray(arima_pred).reshape(-1),
})
results_arima["Error"] = results_arima["Actual_Close"] - results_arima["Pred_Close"]
results_arima = results_arima.reset_index(drop=True)

print("Пример прогноза цены закрытия Bitcoin — ARIMA (последние 10 строк):")
display(results_arima.tail(10))

# 2) График ошибок (Residuals)
plt.figure(figsize=(12,5))
sns.lineplot(x=results_arima["Date"], y=results_arima["Error"])
plt.axhline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Ошибки прогноза (Residuals) — ARIMA")
plt.ylabel("Ошибка (факт - прогноз)")
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/ARIMA errors", dpi=300, transparent=False)
plt.show()

# 3) Гистограмма ошибок
plt.figure(figsize=(8,5))
sns.histplot(results_arima["Error"], bins=30, kde=True)
plt.axvline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Распределение ошибок прогноза — ARIMA")
plt.xlabel("Ошибка (факт - прогноз)")
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/ARIMA errors_distr", dpi=300, transparent=False)
plt.show()

Пример прогноза цены закрытия Bitcoin — ARIMA (последние 10 строк):

# === Дополнение: анализ ошибок прогноза модели SARIMA ===

results_sarima = pd.DataFrame({
    "Date": pd.to_datetime(dates_test),
    "Actual_Close": np.asarray(test).reshape(-1),
    "Pred_Close":   np.asarray(sarima_pred).reshape(-1),
})
results_sarima["Error"] = results_sarima["Actual_Close"] - results_sarima["Pred_Close"]
results_sarima = results_sarima.reset_index(drop=True)

print("Пример прогноза цены закрытия Bitcoin — SARIMA (последние 10 строк):")
display(results_sarima.tail(10))

plt.figure(figsize=(12,5))
sns.lineplot(x=results_sarima["Date"], y=results_sarima["Error"])
plt.axhline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Ошибки прогноза (Residuals) — SARIMA")
plt.ylabel("Ошибка (факт - прогноз)")
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/SARIMA errors", dpi=300, transparent=False)
plt.show()

plt.figure(figsize=(8,5))
sns.histplot(results_sarima["Error"], bins=30, kde=True)
plt.axvline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Распределение ошибок прогноза — SARIMA")
plt.xlabel("Ошибка (факт - прогноз)")
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/SARIMA errors_distr", dpi=300, transparent=False)
plt.show()

Пример прогноза цены закрытия Bitcoin — SARIMA (последние 10 строк):

# === Подбор параметров ARIMA/SARIMA через auto_arima ===

from pmdarima import auto_arima

# 1) Работаем с итоговым датасетом с коррелирующими признаками
#df = pd.read_csv("final_merged_correllated.csv", parse_dates=["Date"]).sort_values("Date")

# 2) Берём временной ряд
ts = df["Close"].astype(float)

# 3) Делим на train/test (последние 180 дней — тест)
TEST_DAYS = 180
train, test = ts.iloc[:-TEST_DAYS], ts.iloc[-TEST_DAYS:]
dates_train, dates_test = df["Date"].iloc[:-TEST_DAYS], df["Date"].iloc[-TEST_DAYS:]

# 4) Автоматический подбор параметров (учитываем недельную сезонность s=7)
auto_model = auto_arima(
    train,
    start_p=0, start_q=0,
    max_p=3, max_q=3,
    start_P=0, start_Q=0,
    max_P=2, max_Q=2,
    d=None, D=None,           # auto_arima определит порядок дифференцирования сама
    seasonal=True,            # включаем SARIMA
    m=7,                      # длина сезона (7 дней)
    stepwise=True,            # пошаговый перебор (быстрее полного)
    suppress_warnings=True,
    error_action="ignore",
    trace=True                # печатает процесс подбора
)

print("Оптимальная модель:", auto_model.summary())

# 5) Прогноз на тест
forecast = auto_model.predict(n_periods=len(test))

# 6) Метрики
from sklearn.metrics import mean_squared_error, mean_absolute_error

automodel_rmse = np.sqrt(mean_squared_error(test, forecast))
automodel_mae  = mean_absolute_error(test, forecast)
automodel_mape = (np.abs((test - forecast) / test)).mean() * 100

print(f"Auto-ARIMA/SARIMA | RMSE={automodel_rmse:,.2f}  MAE={automodel_mae:,.2f}  MAPE={automodel_mape:,.2f}%")

# Сохраняем метрики качества в файл models_metrics.csv
save_metrics("Auto-ARIMA/SARIMA", automodel_rmse, automodel_mae, automodel_mape)
# print ("Метрики качества сохранены в файл \"models_metrics.csv\"")

# 7) Визуализация
plt.figure(figsize=(12,6))
plt.plot(dates_train, train, label="Train")
plt.plot(dates_test, test, label="Test", color="gray")
plt.plot(dates_test, forecast, label="Auto-ARIMA Forecast", color="blue")
plt.title("Auto-ARIMA/SARIMA: прогноз Close (тест)")
plt.legend()
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/Auto-ARIMA_SARIMA forecast", dpi=300, transparent=False)
plt.show()

Performing stepwise search to minimize aic
 ARIMA(0,1,0)(0,0,0)[7] intercept   : AIC=45203.382, Time=0.05 sec
 ARIMA(1,1,0)(1,0,0)[7] intercept   : AIC=45190.435, Time=1.76 sec
 ARIMA(0,1,1)(0,0,1)[7] intercept   : AIC=45189.211, Time=0.45 sec
 ARIMA(0,1,0)(0,0,0)[7]             : AIC=45204.287, Time=0.04 sec
 ARIMA(0,1,1)(0,0,0)[7] intercept   : AIC=45200.265, Time=0.27 sec
 ARIMA(0,1,1)(1,0,1)[7] intercept   : AIC=45187.983, Time=1.10 sec
 ARIMA(0,1,1)(1,0,0)[7] intercept   : AIC=45190.588, Time=0.35 sec
 ARIMA(0,1,1)(2,0,1)[7] intercept   : AIC=45186.877, Time=6.40 sec
 ARIMA(0,1,1)(2,0,0)[7] intercept   : AIC=45184.993, Time=6.51 sec
 ARIMA(0,1,0)(2,0,0)[7] intercept   : AIC=45188.710, Time=6.43 sec
 ARIMA(1,1,1)(2,0,0)[7] intercept   : AIC=45186.799, Time=9.20 sec
 ARIMA(0,1,2)(2,0,0)[7] intercept   : AIC=45186.459, Time=5.23 sec
 ARIMA(1,1,0)(2,0,0)[7] intercept   : AIC=45184.827, Time=7.53 sec
 ARIMA(1,1,0)(2,0,1)[7] intercept   : AIC=45186.729, Time=7.01 sec
 ARIMA(1,1,0)(1,0,1)[7] intercept   : AIC=45187.885, Time=1.23 sec
 ARIMA(2,1,0)(2,0,0)[7] intercept   : AIC=45186.669, Time=2.42 sec
 ARIMA(2,1,1)(2,0,0)[7] intercept   : AIC=45188.159, Time=8.80 sec
 ARIMA(1,1,0)(2,0,0)[7]             : AIC=45185.941, Time=0.39 sec

Best model:  ARIMA(1,1,0)(2,0,0)[7] intercept
Total fit time: 65.200 seconds
Оптимальная модель:                                      SARIMAX Results                                     
=========================================================================================
Dep. Variable:                                 y   No. Observations:                 2676
Model:             SARIMAX(1, 1, 0)x(2, 0, 0, 7)   Log Likelihood              -22587.414
Date:                           Sun, 28 Sep 2025   AIC                          45184.827
Time:                                   10:26:07   BIC                          45214.286
Sample:                                        0   HQIC                         45195.485
                                          - 2676                                         
Covariance Type:                             opg                                         
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
intercept     39.0068     22.304      1.749      0.080      -4.708      82.722
ar.L1         -0.0472      0.013     -3.739      0.000      -0.072      -0.022
ar.S.L7        0.0707      0.012      6.132      0.000       0.048       0.093
ar.S.L14      -0.0543      0.011     -4.865      0.000      -0.076      -0.032
sigma2      1.274e+06   1.22e+04    104.759      0.000    1.25e+06     1.3e+06
===================================================================================
Ljung-Box (L1) (Q):                   0.00   Jarque-Bera (JB):             26618.37
Prob(Q):                              0.98   Prob(JB):                         0.00
Heteroskedasticity (H):              29.44   Skew:                             0.55
Prob(H) (two-sided):                  0.00   Kurtosis:                        18.41
===================================================================================

Warnings:
[1] Covariance matrix calculated using the outer product of gradients (complex-step).
Auto-ARIMA/SARIMA | RMSE=10,539.07  MAE=8,213.40  MAPE=8.71%
Метрики сохранены для Auto-ARIMA/SARIMA → models_metrics.csv

# === Дополнение: анализ ошибок прогноза модели Auto-ARIMA/SARIMA ===

results_auto = pd.DataFrame({
    "Date": pd.to_datetime(dates_test),
    "Actual_Close": np.asarray(test).reshape(-1),
    "Pred_Close":   np.asarray(forecast).reshape(-1),
})
results_auto["Error"] = results_auto["Actual_Close"] - results_auto["Pred_Close"]
results_auto = results_auto.reset_index(drop=True)

print("Пример прогноза цены закрытия Bitcoin — Auto-ARIMA (последние 10 строк):")
display(results_auto.tail(10))

plt.figure(figsize=(12,5))
sns.lineplot(x=results_auto["Date"], y=results_auto["Error"])
plt.axhline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Ошибки прогноза (Residuals) — Auto-ARIMA")
plt.ylabel("Ошибка (факт - прогноз)")
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/Auto-ARIMA_SARIMA errors", dpi=300, transparent=False)
plt.show()

plt.figure(figsize=(8,5))
sns.histplot(results_auto["Error"], bins=30, kde=True)
plt.axvline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Распределение ошибок прогноза — Auto-ARIMA")
plt.xlabel("Ошибка (факт - прогноз)")
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/Auto-ARIMA_SARIMA errors_distr", dpi=300, transparent=False)
plt.show()

Пример прогноза цены закрытия Bitcoin — Auto-ARIMA (последние 10 строк):

# 1) копирование итогового датасета с коррелирующими признаками (Date переносим из индекса в отдельный столбец)
df = df_input.copy().reset_index()

# 2) Признаки на момент t 
feature_cols = ["Close", "Gold","INR", "SMA_200", "Volume", "ATR_14"]
X_all = df[feature_cols].copy()

# 3) Таргет = Close_{t+1}, а также даты прогноза (t+1)
y_all = df["Close"].shift(-1)                     # прогноз на 1 день вперёд
pred_dates = df["Date"] + pd.Timedelta(days=1)    # дата прогноза

# 4) Чистка пропусков
data = pd.concat([X_all, y_all.rename("y"), pred_dates.rename("PredDate")], axis=1).dropna()
X, y = data[feature_cols], data["y"]
pred_dates_clean = data["PredDate"]

# 5) Сплит по времени (train = всё до последних 180 дней, test = последние 180)
TEST_DAYS = 180
split = len(X) - TEST_DAYS
X_train, X_test = X.iloc[:split], X.iloc[split:]
y_train, y_test = y.iloc[:split], y.iloc[split:]
dates_test = pred_dates_clean.iloc[split:]

# ===== Визуализация Train/Test разбиения =====

# даты, выровненные с y (после dropna)
dates_all = pred_dates_clean  # из data["PredDate"] выше

# train/test разбиение по тем же индексам
plt.figure(figsize=(12,6))
plt.plot(dates_all.iloc[:split], y.iloc[:split], label="Train", color="blue")
plt.plot(dates_all.iloc[split:], y.iloc[split:], label="Test", color="orange")

# линия границы
plt.axvline(dates_all.iloc[split], color="red", linestyle="--", label="Граница Train/Test")

plt.title("Разбиение данных на Train и Test")
plt.xlabel("Дата (целевой момент прогноза)")
plt.ylabel("Цена закрытия (USD)")
plt.legend()
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/Train_test_split", dpi=300, transparent=False)
plt.show()

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.metrics import mean_squared_error, mean_absolute_error

# 1. Работаем с итоговым датасетом с коррелирующими признаками
display(df_input)
df_input.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 2856 entries, 2014-09-17 to 2025-08-29
Data columns (total 7 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   Close    2856 non-null   float64
 1   Volume   2856 non-null   int64  
 2   SMA_50   2856 non-null   float64
 3   SMA_200  2856 non-null   float64
 4   ATR_14   2856 non-null   float64
 5   Gold     2754 non-null   float64
 6   INR      2852 non-null   float64
dtypes: float64(6), int64(1)
memory usage: 178.5 KB

# === Линейная регрессия для прогноза цены BTC === 

# пункты 1-5 - в разделе 6. Формирование выборки

# 6) Модель: стандартизация + линейная регрессия
pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("linreg", LinearRegression())
])
pipe.fit(X_train, y_train)

# 7) Прогноз и метрики
y_pred_ln = pipe.predict(X_test)
rmse_ln = np.sqrt(mean_squared_error(y_test, y_pred_ln))
mae_ln  = mean_absolute_error(y_test, y_pred_ln)
mape_ln = (np.abs((y_test - y_pred_ln) / y_test)).mean() * 100

print(f"Linear Regression | RMSE={rmse_ln:,.2f}  MAE={mae_ln:,.2f}  MAPE={mape_ln:,.2f}%")

# Сохраняем метрики качества в файл models_metrics.csv
save_metrics("LinearRegression", rmse_ln, mae_ln, mape_ln)
# print ("Метрики качества сохранены в файл \"models_metrics.csv\"")

# 8) Коэффициенты (вклад признаков)
coef_ln = pd.Series(pipe.named_steps["linreg"].coef_, index=feature_cols).sort_values(key=np.abs, ascending=False)
print("\nКоэффициенты модели (по модулю):\n", coef_ln)

# 9) Визуализация: факт vs прогноз (для t+1)
plt.figure(figsize=(12,6))
plt.plot(dates_test, y_test.values, label="Actual (Close t+1)", color="blue")
plt.plot(dates_test, y_pred_ln, label="Linear Regression", linewidth=1, color="grey")
plt.title("Linear Regression: прогноз цены закрытия Bitcoin (t+1)")
plt.legend()
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/Linear_forecast", dpi=300, transparent=False)
plt.show()

Linear Regression | RMSE=2,445.73  MAE=1,867.67  MAPE=1.90%
Метрики сохранены для LinearRegression → models_metrics.csv

Коэффициенты модели (по модулю):
 Close      21264.435351
Gold         141.615939
Volume        58.240902
INR          -30.481691
SMA_200      -27.838745
ATR_14        -0.697918
dtype: float64

# === Дополнение: анализ ошибок прогноза Линейной регрессии ===

import seaborn as sns

# 1) Таблица с последними 10 строками прогноза
results_ln = pd.DataFrame({
    "Date": dates_test,
    "Actual_Close_t+1": y_test.values,
    "Pred_Close_t+1": y_pred_ln,
    "Error": y_test.values - y_pred_ln
}).reset_index(drop=True)             # сбрасываем индекс, Date остаётся столбцом

print("Пример прогноза цены закрытия Bitcoin модели Линейная регрессия (последние 10 строк):")
display(results_ln.tail(10))

# 2) График ошибок (residuals)
plt.figure(figsize=(12,5))
sns.lineplot(x=results_ln["Date"], y=results_ln["Error"])
plt.axhline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Ошибки прогноза (Residuals) — Линейная регрессия")
plt.ylabel("Ошибка (факт - прогноз)")
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/Linear_errors", dpi=300, transparent=False)
plt.show()

# 3) Гистограмма ошибок
plt.figure(figsize=(8,5))
sns.histplot(results_ln["Error"], bins=30, kde=True)
plt.axvline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Распределение ошибок прогноза модели Линейная регрессия")
plt.xlabel("Ошибка (факт - прогноз)")
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/Linear_errors_distr", dpi=300, transparent=False)
plt.show()

Пример прогноза цены закрытия Bitcoin модели Линейная регрессия (последние 10 строк):

# === Random Forest для прогноза цены BTC ===

from sklearn.ensemble import RandomForestRegressor

# пункты 1-5 - в разделе формирование выборки

# 6) Обучение Random Forest (простые настройки)
rf = RandomForestRegressor(
    n_estimators=300,
    random_state=42,
    n_jobs=-1
)
rf.fit(X_train, y_train)

# 7) Прогноз и метрики
y_pred_rf = rf.predict(X_test)
rmse_rf = np.sqrt(mean_squared_error(y_test, y_pred_rf))
mae_rf  = mean_absolute_error(y_test, y_pred_rf)
mape_rf = (np.abs((y_test - y_pred_rf) / y_test)).mean() * 100

print(f"Random Forest | RMSE={rmse_rf:,.2f}  MAE={mae_rf:,.2f}  MAPE={mape_rf:,.2f}%")

# Сохраняем метрики качества в файл models_metrics.csv
save_metrics("Random Forest", rmse_rf, mae_rf, mape_rf)
# print ("Метрики качества сохранены в файл \"models_metrics.csv\"")

# 8) Важность признаков
importances = pd.Series(rf.feature_importances_, index=feature_cols).sort_values(ascending=False)
print("\nВажность признаков:\n", importances)

# 9) График: факт vs прогноз (t+1)
plt.figure(figsize=(12,6))
plt.plot(dates_test, y_test.values, label="Actual (Close t+1)", color="green")
plt.plot(dates_test, y_pred_rf, label="RF Forecast", linewidth=1, color="grey")
plt.title("модель Random Forest: прогноз цены закрытия Bitcoin (t+1)")
plt.legend()
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/RF_forecast", dpi=300, transparent=False)
plt.show()

Random Forest | RMSE=11,354.30  MAE=9,458.95  MAPE=9.18%
Метрики сохранены для Random Forest → models_metrics.csv

Важность признаков:
 Close      0.989197
INR        0.007986
SMA_200    0.001614
Gold       0.000438
ATR_14     0.000390
Volume     0.000376
dtype: float64

# === Дополнение: анализ ошибок прогноза модели Random Forest ===

# 1) Таблица с последними 10 строками прогноза
results_rf = pd.DataFrame({
    "Date": dates_test,
    "Actual_Close_t+1": y_test.values,
    "Pred_Close_t+1": y_pred_rf,
    "Error": y_test.values - y_pred_rf
}).reset_index(drop=True)             # сбрасываем индекс, Date остаётся столбцом

print("Пример прогноза цены закрытия Bitcoin модели Random Forest (последние 10 строк):")
display(results_rf.tail(10))

# 2) График ошибок (residuals)
plt.figure(figsize=(12,5))
sns.lineplot(x=results_rf["Date"], y=results_rf["Error"])
plt.axhline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Ошибки прогноза (Residuals) — Random Forest")
plt.ylabel("Ошибка (факт - прогноз)")
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/RF_errors", dpi=300, transparent=False)
plt.show()

# 3) Гистограмма ошибок
plt.figure(figsize=(8,5))
sns.histplot(results_rf["Error"], bins=30, kde=True)
plt.axvline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Распределение ошибок прогноза модели Random Forest")
plt.xlabel("Ошибка (факт - прогноз)")

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/RF_errors_distr", dpi=300, transparent=False)
plt.tight_layout()

Пример прогноза цены закрытия Bitcoin модели Random Forest (последние 10 строк):

# === XGBoost для прогноза цены BTC (t+1) ===

from xgboost import XGBRegressor

# пункты 1-5 - в разделе формирование выборки

# 6) Обучение XGBoost (базовые параметры + early stopping)
xgb = XGBRegressor(
    n_estimators=1500,
    learning_rate=0.03,
    max_depth=4,
    subsample=0.9,
    colsample_bytree=0.9,
    reg_lambda=1.0,
    random_state=42,
    n_jobs=-1,
    objective="reg:squarederror",
    tree_method="hist",
    early_stopping_rounds=100,
    eval_metric="rmse"
)

xgb.fit(
    X_train, y_train,
    eval_set=[(X_test, y_test)],
    verbose=False
)

# 7) Прогноз и метрики
y_pred_xg = xgb.predict(X_test)
rmse_xg = np.sqrt(mean_squared_error(y_test, y_pred_xg))
mae_xg  = mean_absolute_error(y_test, y_pred_xg)
mape_xg = (np.abs((y_test - y_pred_xg) / y_test)).mean() * 100

print(f"XGBoost | RMSE={rmse_xg:,.2f}  MAE={mae_xg:,.2f}  MAPE={mape_xg:,.2f}%")
print("Best iteration:", getattr(xgb, "best_iteration", None))

# Сохраняем метрики качества в файл models_metrics.csv
save_metrics("XGBoost", rmse_xg, mae_xg, mape_xg)
# print ("Метрики качества сохранены в файл \"models_metrics.csv\"")

# 8) Важность признаков
importances = pd.Series(xgb.feature_importances_, index=feature_cols).sort_values(ascending=False)
print("\nВажность признаков:\n", importances)

# 9) График: факт vs прогноз
plt.figure(figsize=(12,6))
plt.plot(dates_test, y_test.values, label="Actual (Close t+1)", color="gray")
plt.plot(dates_test, y_pred_xg, label="XGBoost Forecast (no lags)", linewidth=2)
plt.title("модель XGBoost: прогноз цены закрытия Bitcoin(t+1)")
plt.legend()
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/XGB_forecast", dpi=300, transparent=False)
plt.show()

XGBoost | RMSE=11,780.89  MAE=9,637.86  MAPE=9.23%
Best iteration: 414
Метрики сохранены для XGBoost → models_metrics.csv

Важность признаков:
 Close      0.763894
SMA_200    0.160060
ATR_14     0.034299
Gold       0.022491
INR        0.018273
Volume     0.000983
dtype: float32

# === Дополнение: анализ ошибок прогноза модели XGBoost ===

# 1) Таблица с последними 10 строками прогноза
results_xg = pd.DataFrame({
    "Date": dates_test,
    "Actual_Close_t+1": y_test.values,
    "Pred_Close_t+1": y_pred_xg,
    "Error": y_test.values - y_pred_xg
}).reset_index(drop=True)                  # сбрасываем индекс, Date остаётся столбцом

print("Пример прогноза цены закрытия Bitcoin модели XGBoost (последние 10 строк):")
display(results_xg.tail(10))

# 2) График ошибок (residuals)
plt.figure(figsize=(12,5))
sns.lineplot(x=results_xg["Date"], y=results_xg["Error"])
plt.axhline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Ошибки прогноза (Residuals) — XGBoost")
plt.ylabel("Ошибка (факт - прогноз)")
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/XGB_errorrs", dpi=300, transparent=False)
plt.show()

# 3) Гистограмма ошибок
plt.figure(figsize=(8,5))
sns.histplot(results_xg["Error"], bins=30, kde=True)
plt.axvline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Распределение ошибок прогноза модели XGBoost")
plt.xlabel("Ошибка (факт - прогноз)")

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/XGB_errors_distr", dpi=300, transparent=False)
plt.tight_layout()

Пример прогноза цены закрытия Bitcoin модели XGBoost (последние 10 строк):

# === LSTM-прогноз Close на один день вперёд (окно 30 дней) ===


from keras import Input
from keras.models import Sequential
from keras.layers import LSTM, Dense
from keras.callbacks import EarlyStopping
from keras.utils import set_random_seed  # Keras 3
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error

# ---------- фиксация случайности для воспроизводимости ----------
set_random_seed(42)     # фиксирует Python, NumPy и TF через Keras
np.random.seed(42)

# ---------- настройки ----------
TEST_DAYS = 180       # сколько последних дней оставляем на проверку
WINDOW = 30           # длина окна для LSTM

# ---------- загрузка данных ----------
df = pd.read_csv("final_merged_correllated.csv", parse_dates=["Date"]).sort_values("Date")
dates = df["Date"].values
values = df["Close"].astype("float32").values.reshape(-1, 1)

# ---------- масштабирование (fit только на train) ----------
scaler = MinMaxScaler(feature_range=(0, 1))
scaler.fit(values[:-TEST_DAYS])
values_scaled = scaler.transform(values).astype("float32")

# ---------- формирование окон ----------
X, y = [], []
for i in range(WINDOW, len(values_scaled)):
    X.append(values_scaled[i-WINDOW:i, 0])  # окно из WINDOW значений
    y.append(values_scaled[i, 0])           # целевое значение на t+1
X = np.asarray(X, dtype="float32").reshape(-1, WINDOW, 1)
y = np.asarray(y, dtype="float32")

dates_y = dates[WINDOW:]

# ---------- train / test ----------
split = len(y) - TEST_DAYS
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]
dates_test = dates_y[split:]

# ---------- модель ----------
model = Sequential([
    Input(shape=(WINDOW, 1)),
    LSTM(32),
    Dense(1)
])
model.compile(optimizer="adam", loss="mse")

# ---------- коллбеки ----------
es = EarlyStopping(
    monitor="val_loss",
    patience=10,
    restore_best_weights=True
)

# ---------- обучение (без шафла — корректно для временных рядов) ----------
history = model.fit(
    X_train, y_train,
    epochs=100,
    batch_size=32,
    validation_split=0.1,  # берёт хвост train'а, т.к. shuffle=False
    callbacks=[es],
    shuffle=False,
    verbose=0
)

best_epoch = es.stopped_epoch - es.patience + 1
print(f"Лучшие веса с эпохи {best_epoch} (минимальная val_loss).")

# ---------- график loss ----------
plt.figure(figsize=(8, 5))
plt.plot(history.history["loss"], label="Train loss")
plt.plot(history.history["val_loss"], label="Validation loss")
plt.title("Ошибка обучения модели LSTM по эпохам")
plt.xlabel("Эпоха"); plt.ylabel("Loss (MSE)")
plt.legend(); plt.tight_layout()
plt.show()

# ---------- прогноз на тесте + обратное масштабирование ----------
y_pred_scaled = model.predict(X_test, verbose=0).reshape(-1, 1).astype("float32")
y_test_scaled = y_test.reshape(-1, 1).astype("float32")

y_pred_lstm = scaler.inverse_transform(y_pred_scaled).ravel()
y_test_inv  = scaler.inverse_transform(y_test_scaled).ravel()

# ---------- метрики ----------
rmse_lstm = float(np.sqrt(mean_squared_error(y_test_inv, y_pred_lstm)))
mae_lstm  = float(mean_absolute_error(y_test_inv, y_pred_lstm))
mape_lstm = float((np.abs((y_test_inv - y_pred_lstm) / y_test_inv)).mean() * 100)

print(f"модель LSTM | RMSE={rmse_lstm:,.2f}  MAE={mae_lstm:,.2f}  MAPE={mape_lstm:,.2f}%")

# Сохранение метрик качества модели в файл save_metrics.csv
save_metrics("LSTM", rmse_lstm, mae_lstm, mape_lstm)

# ---------- график факт vs прогноз ----------
plt.figure(figsize=(12, 6))
plt.plot(dates_test, y_test_inv, label="Факт (Close)")
plt.plot(dates_test, y_pred_lstm, label="LSTM прогноз", linewidth=2)
plt.title("LSTM: прогноз цены закрытия (t+1), тестовый период")
plt.xlabel("Дата"); plt.ylabel("Цена (USD)")
plt.legend(); plt.xticks(rotation=45); plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/LSTM_forecast", dpi=300, transparent=False)
plt.show()

Лучшие веса с эпохи 8 (минимальная val_loss).

модель LSTM | RMSE=4,267.35  MAE=3,405.81  MAPE=3.36%
Метрики сохранены для LSTM → models_metrics.csv

# === Дополнение: анализ ошибок прогноза модели LSTM ===
import seaborn as sns

# 1) Таблица с первыми/последними строками прогноза
results_lstm = pd.DataFrame({
    "Date": dates_test,
    "Actual_Close": y_test_inv,
    "Pred_Close": y_pred_lstm,
    "Error": y_test_inv - y_pred_lstm
}).reset_index(drop=True)

print("Пример прогноза цены закрытия Bitcoin модели LSTM (первые 10 строк):")
display(results_lstm.head(10))

print("Пример прогноз цены закрытия Bitcoin модели LSTM (последние 10 строк):")
display(results_lstm.tail(10))

# 2) График ошибок (residuals) по времени
plt.figure(figsize=(12,5))
sns.lineplot(x=results_lstm["Date"], y=results_lstm["Error"])
plt.axhline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Ошибки прогноза (Residuals) — модель LSTM")
plt.ylabel("Ошибка (факт - прогноз)")
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/LSTM_errors", dpi=300, transparent=False)
plt.show()

# 3) Гистограмма ошибок
plt.figure(figsize=(8,5))
sns.histplot(results_lstm["Error"], bins=30, kde=True)
plt.axvline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Распределение ошибок прогноза — модель LSTM")
plt.xlabel("Ошибка (факт - прогноз)")
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/LSTM_errors_distr", dpi=300, transparent=False)
plt.show()

Пример прогноза цены закрытия Bitcoin модели LSTM (первые 10 строк):

Пример прогноз цены закрытия Bitcoin модели LSTM (последние 10 строк):

# === LSTM (многопризнаковая, t+1) ===

import tensorflow as tf
from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau

# --- 0) Контроль воспроизводимости
np.random.seed(42)
tf.random.set_seed(42)

# --- 1) Настройки
TEST_DAYS = 180
WINDOW = 30
FEATURES = ["Close", "SMA_200", "Volume", "ATR_14", "Gold", "INR"]  # Close должен быть ПЕРВЫМ!

# --- 2) Загрузка данных
df = pd.read_csv("final_merged_correllated.csv", parse_dates=["Date"]).sort_values("Date")

# убираем строки с NaN по нужным признакам
df = df[["Date"] + FEATURES].dropna().reset_index(drop=True)

dates = df["Date"].values
values = df[FEATURES].astype(float).values               # shape: (T, n_features)
n_features = values.shape[1]

# --- 3) Масштабирование (fit только на train)
scaler = MinMaxScaler()
scaler.fit(values[:-TEST_DAYS])                          # только train
values_scaled = scaler.transform(values)

# --- 4) Формирование окон: X: (N, WINDOW, n_features), y: Close(t+1) в масштабе [0,1]
X = np.array([values_scaled[i-WINDOW:i, :] for i in range(WINDOW, len(values_scaled))])
y = values_scaled[WINDOW:, 0]                            # целевая = Close (0-й столбец)
dates_y = dates[WINDOW:]

# --- 5) Сплит по последним 180 днмя (TEST_DAYS)
split = len(y) - TEST_DAYS
X_train_full, X_test = X[:split], X[split:]
y_train_full, y_test = y[:split], y[split:]
dates_test = dates_y[split:]

# сделаем валидацию как «хвост» train (10% train, минимум 64 наблюдения)
val_size = max(int(0.1 * len(X_train_full)), 64)
X_train, X_val = X_train_full[:-val_size], X_train_full[-val_size:]
y_train, y_val = y_train_full[:-val_size], y_train_full[-val_size:]

print(f"Train: {X_train.shape}, Val: {X_val.shape}, Test: {X_test.shape}")

# --- 6) Модель LSTM (1 слой)
model = Sequential([
    Input(shape=(WINDOW, n_features)),
    LSTM(32),
    Dense(1)
])
model.compile(optimizer="adam", loss="mse")

# --- 7) Обучение
es = EarlyStopping(monitor="val_loss", patience=10, restore_best_weights=True)
rlr = ReduceLROnPlateau(monitor="val_loss", factor=0.5, patience=5, min_lr=1e-5, verbose=0)

history = model.fit(
    X_train, y_train,
    epochs=100,
    batch_size=32,
    validation_data=(X_val, y_val),
    callbacks=[es, rlr],
    shuffle=False,          # важно для временных рядов
    verbose=0
)

best_epoch = (es.stopped_epoch - es.patience + 1) if es.stopped_epoch > 0 else np.argmin(history.history["val_loss"]) + 1
print(f"Лучшие веса с эпохи {best_epoch} (минимум val_loss).")

# --- 8) Кривые обучения
plt.figure(figsize=(8,5))
plt.plot(history.history["loss"], label="Train loss")
plt.plot(history.history["val_loss"], label="Val loss")
plt.title("LSTM (мультифичерная): ошибка обучения по эпохам")
plt.xlabel("Эпоха"); plt.ylabel("Loss (MSE)")
plt.legend(); plt.tight_layout(); plt.show()

# --- 9) Прогноз на тесте + обратное масштабирование только для Close
y_pred_scaled = model.predict(X_test, verbose=0).reshape(-1, 1)
y_test_scaled = y_test.reshape(-1, 1)

Z_pred = np.zeros((len(y_pred_scaled), n_features))
Z_true = np.zeros((len(y_test_scaled), n_features))
Z_pred[:, 0] = y_pred_scaled[:, 0]   # 0-й столбец — Close
Z_true[:, 0] = y_test_scaled[:, 0]

y_pred_lstm_mult = scaler.inverse_transform(Z_pred)[:, 0]
y_test_inv = scaler.inverse_transform(Z_true)[:, 0]

# --- 10) Метрики
rmse_lstm_mult = np.sqrt(mean_squared_error(y_test_inv, y_pred_lstm_mult))
mae_lstm_mult  = mean_absolute_error(y_test_inv, y_pred_lstm_mult)
mape_lstm_mult = np.mean(np.abs((y_test_inv - y_pred_lstm_mult) / y_test_inv)) * 100

print(f"LSTM (multifeatures) | RMSE={rmse_lstm_mult:,.2f}  MAE={mae_lstm_mult:,.2f}  MAPE={mape_lstm_mult:,.2f}%")

# Сохраняем метрики качества в файл models_metrics.csv
save_metrics("LSTM (multifeatures)", rmse_lstm_mult, mae_lstm_mult, mape_lstm_mult)
# print ("Метрики качества сохранены в файл \"models_metrics.csv\"")

# --- 11) Визуализация: факт vs прогноз (тест)
plt.figure(figsize=(12,6))
plt.plot(dates_test, y_test_inv, label="Факт (Close)", color="gray")
plt.plot(dates_test, y_pred_lstm_mult, label="LSTM прогноз", linewidth=2)
plt.title("LSTM (мультифичерная): прогноз Close (t+1), тестовый период")
plt.xlabel("Дата"); plt.ylabel("Цена (USD)")
plt.legend(); plt.xticks(rotation=45); plt.tight_layout(); 

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/LSTM_mult_forecast", dpi=300, transparent=False)
plt.show()

Train: (2286, 30, 6), Val: (254, 30, 6), Test: (180, 30, 6)
Лучшие веса с эпохи 14 (минимум val_loss).

LSTM (multifeatures) | RMSE=7,539.22  MAE=6,463.17  MAPE=6.40%
Метрики сохранены для LSTM (multifeatures) → models_metrics.csv

# === Дополнение: анализ ошибок прогноза модели LSTM (multifeatures) ===
import seaborn as sns

# 1) Таблица с первыми/последними строками прогноза
results_lstm_mult = pd.DataFrame({
    "Date": dates_test,
    "Actual_Close": y_test_inv,
    "Pred_Close": y_pred_lstm,
    "Error": y_test_inv - y_pred_lstm_mult
}).reset_index(drop=True)

print("Пример прогноза цены закрытия Bitcoin модели LSTM (multifeatures) (первые 10 строк):")
display(results_lstm_mult.head(10))

print("Пример прогноз цены закрытия Bitcoin модели LSTM (multifeatures) (последние 10 строк):")
display(results_lstm_mult.tail(10))

# 2) График ошибок (residuals) по времени
plt.figure(figsize=(12,5))
sns.lineplot(x=results_lstm_mult["Date"], y=results_lstm_mult["Error"])
plt.axhline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Ошибки прогноза (Residuals) — модель LSTM (multifeatures)")
plt.ylabel("Ошибка (факт - прогноз)")
plt.xticks(rotation=45)
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/LSTM_mult_errors", dpi=300, transparent=False)
plt.show()

# 3) Гистограмма ошибок
plt.figure(figsize=(8,5))
sns.histplot(results_lstm_mult["Error"], bins=30, kde=True)
plt.axvline(0, color="red", linestyle="--", alpha=0.7)
plt.title("Распределение ошибок прогноза — модель LSTM")
plt.xlabel("Ошибка (факт - прогноз)")
plt.tight_layout()

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/LSTM_mult_errors_distr", dpi=300, transparent=False)
plt.show()

Пример прогноза цены закрытия Bitcoin модели LSTM (multifeatures) (первые 10 строк):

Пример прогноз цены закрытия Bitcoin модели LSTM (multifeatures) (последние 10 строк):

df_results = pd.read_csv("models_metrics.csv").sort_values(by="MAPE, %", ascending=True)
df_results

# визуализация значений метрик качества RMSE и MAE
df_melt_usd = df_results.melt(id_vars="Model", 
                          value_vars=["RMSE, $", "MAE, $"], 
                          var_name="Метрика", value_name="Значение")

plt.figure(figsize=(10,6))
ax_usd = sns.barplot(   
    data=df_melt_usd,
    x="Значение",
    y="Model",
    hue="Метрика",
    palette="Set2"
)

plt.title("Сравнение моделей по метрикам качества RMSE и MAE")
plt.xlabel("Значение")
plt.ylabel("Модель")
plt.legend(title="Метрика")
plt.tight_layout()

# Немного запас справа, чтобы подписи не обрезались
xmax = df_melt_usd["Значение"].max()
ax_usd.set_xlim(0, xmax * 1.10)

# Подписи к столбцам
for p in ax_usd.patches:
    val = p.get_width()
    y = p.get_y() + p.get_height()/2
    ax_usd.annotate(f"$ {val:,.2f}",
                    (val, y),
                    ha="left", va="center",
                    xytext=(5, 0), textcoords="offset points",
                    fontsize=9)

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/models_metrics.png", dpi=300, bbox_inches="tight")
plt.show()

# -------------
# визуализация значений метрик качества MAPE
df_melt_mape = df_results.melt(id_vars="Model", 
                          value_vars=["MAPE, %"], 
                          var_name="Метрика", value_name="Значение")

plt.figure(figsize=(10,6))

ax = sns.barplot(
    data=df_melt_mape,
    x="Значение",
    y="Model",
    hue="Метрика",
    palette={"skyblue"}
)

plt.title("Сравнение моделей по метрике качества MAPE")
plt.xlabel("MAPE, %")
plt.ylabel("Модель")
plt.legend(title="Метрика")
plt.tight_layout()

# Подписи к столбцам
for p in ax.patches:
    ax.annotate(f"{p.get_width():.2f}%",
                (p.get_width(), p.get_y() + p.get_height()/2),
                ha="left", va="center",
                xytext=(5,0), textcoords="offset points")

# выгрузка графика в папку pictures в текущей директории
plt.savefig("pictures/models_metrics_mape.png", dpi=300, bbox_inches="tight")
plt.show()

# 1. Сначала формируем базу с Actual (актуальная цена закрытия биткойна на тестовом периоде (180 дней))
df_preds = pd.DataFrame({
    "Date": dates_test,
    "Actual": y_test.values if "y_test_inv" not in locals() else y_test_inv
})

# 2. Добавляем прогнозы всех моделей
df_preds["ARIMA"] = np.asarray(arima_pred).reshape(-1)
df_preds["SARIMA"] = np.asarray(sarima_pred).reshape(-1)
df_preds["Auto-ARIMA/SARIMA"] = np.asarray(forecast).reshape(-1)
df_preds["Linear"] = y_pred_ln
df_preds["RF"] = y_pred_rf
df_preds["XGBoost"] = y_pred_xg
df_preds["LSTM"] = y_pred_lstm
df_preds["LSTM_mult"] = y_pred_lstm_mult

# 3. Считаем ошибки
for col in ["ARIMA", "SARIMA", "Auto-ARIMA/SARIMA", "Linear", "RF", "XGBoost", "LSTM", "LSTM_mult"]:
    df_preds[f"Error_{col}"] = df_preds["Actual"] - df_preds[col]

# 4. Выгружаем (сохраняем) в текущую директорию
df_preds.to_csv("predictions_test_all_models.csv", index=False)
print("Сохранено: predictions_test_all_models.csv")

display(df_preds.tail(10))
df_preds.shape

Сохранено: predictions_test_all_models.csv

(180, 18)

# график Актуальной цены закрытия BTC и прогнозов всех моделей (для выгрузки)

dfp = df_preds.copy()

plt.figure(figsize=(20,6))
plt.plot(dfp["Date"], dfp["Actual"], label="Actual", color="red", linewidth=2.5)

plt.plot(dfp["Date"], dfp["ARIMA"],  label="ARIMA",  color="grey",      alpha=0.6)
plt.plot(dfp["Date"], dfp["SARIMA"], label="SARIMA", color="yellow",  alpha=0.6)
plt.plot(dfp["Date"], dfp["Auto-ARIMA/SARIMA"], label="Auto-ARIMA/SARIMA", color="lightgreen", alpha=0.6)

plt.plot(dfp["Date"], dfp["Linear"], label="Linear", color="orange", alpha=0.9)
plt.plot(dfp["Date"], dfp["RF"],     label="RF",     color="pink",    alpha=0.6)
plt.plot(dfp["Date"], dfp["XGBoost"],label="XGBoost",color="cyan",      alpha=0.6)
plt.plot(dfp["Date"], dfp["LSTM"],   label="LSTM",   color="royalblue",     alpha=0.9)
plt.plot(dfp["Date"], dfp["LSTM_mult"], label="LSTM_mult", color="purple", alpha=0.8)

plt.title("BTC: фактическая цена и прогнозы моделей (t+1)")
plt.xlabel("Дата")
plt.ylabel("Цена,$")
plt.legend(ncol=3)
plt.xticks(rotation=45)
plt.tight_layout()

# сохранить в картинку
plt.savefig("pictures/preds_all_models.png", dpi=300, bbox_inches="tight")
plt.show()

# интерактивный график Актуальной цены закрытия BTC и прогнозов всех моделей

cols_models = ["ARIMA","SARIMA","Auto-ARIMA/SARIMA","Linear","RF","XGBoost","LSTM","LSTM_mult"]
y_cols = ["Actual"] + cols_models

color_map = {
    "Actual": "red",
    "ARIMA": "grey",
    "SARIMA": "yellow",
    "Auto-ARIMA/SARIMA": "lightgreen",
    "Linear": "orange",
    "RF": "pink",
    "XGBoost": "cyan",
    "LSTM": "royalblue",
    "LSTM_mult": "purple",
}

# color_map = ["red", "grey", "darkred", "orange", "royalblue", "purple", "teal", "green", "darkgreen"]

fig = px.line(
    dfp,
    x="Date",
    y=y_cols,
    title="BTC: фактическая цена и прогнозы моделей (t+1) (интерактивный график)",
    labels={"Date":"Дата","value":"Цена, $","variable":"Модель"},
    color_discrete_map=color_map,
    width=1400, height=800
)
fig.update_layout(hovermode="x unified")
fig.update_xaxes(rangeslider_visible=True)
fig.show()

# интерактивный график Актуальной цены закрытия BTC и прогнозов моделей (топ-3)
keep = ["Actual","LSTM","LSTM_mult","Linear"]

fig = px.line(
    dfp, x="Date", y=keep,
    title="BTC: фактическая цена и лучшие модели",
    labels={"Date":"Дата","value":"Цена, USD","variable":"Серия"},
    color_discrete_map=color_map,
    width=1400, height=600
)
fig.update_layout(hovermode="x unified")
fig.update_xaxes(rangeslider_visible=True)
fig.show()

# график Актуальной цены закрытия BTC и прогнозов моделей (топ-3) (для выгрузки)

plt.figure(figsize=(20,6))
plt.plot(dfp["Date"], dfp["Actual"], label="Actual", color="red", linewidth=2.5)

plt.plot(dfp["Date"], dfp["Linear"], label="Linear", color="orange", alpha=0.9)
plt.plot(dfp["Date"], dfp["LSTM"],   label="LSTM",   color="royalblue",     alpha=0.8)
plt.plot(dfp["Date"], dfp["LSTM_mult"], label="LSTM_mult", color="purple", alpha=0.8)

plt.title("BTC: фактическая цена и прогнозы моделей (топ-3) (t+1)")
plt.xlabel("Дата")
plt.ylabel("Цена,$")
plt.legend(ncol=3)
plt.xticks(rotation=45)
plt.tight_layout()

# сохранить график в папку pictures в текущей директории
plt.savefig("pictures/preds_top3_models.png", dpi=300, bbox_inches="tight")
plt.show()

Price	Close	High	Low	Open	Volume
Ticker	BTC-USD	BTC-USD	BTC-USD	BTC-USD	BTC-USD
Date
2014-09-17	457.334015	468.174011	452.421997	465.864014	21056800
2014-09-18	424.440002	456.859985	413.104004	456.859985	34483200
2014-09-19	394.795990	427.834991	384.532013	424.102997	37919700
2014-09-20	408.903992	423.295990	389.882996	394.673004	36863600
2014-09-21	398.821014	412.425995	393.181000	408.084991	26580100
2014-09-22	402.152008	406.915985	397.130005	399.100006	24127600
2014-09-23	435.790985	441.557007	396.196991	402.092010	45099500
2014-09-24	423.204987	436.112000	421.131989	435.751007	30627700
2014-09-25	411.574005	423.519989	409.467987	423.156006	26814400
2014-09-26	404.424988	414.937988	400.009003	411.428986	21460800

	Price	Close	High	Low	Open	Volume
0	Ticker	BTC-USD	BTC-USD	BTC-USD	BTC-USD	BTC-USD
1	Date	NaN	NaN	NaN	NaN	NaN
2	2014-09-17	457.3340148925781	468.17401123046875	452.4219970703125	465.864013671875	21056800
3	2014-09-18	424.44000244140625	456.8599853515625	413.10400390625	456.8599853515625	34483200
4	2014-09-19	394.7959899902344	427.8349914550781	384.5320129394531	424.1029968261719	37919700
5	2014-09-20	408.90399169921875	423.2959899902344	389.88299560546875	394.6730041503906	36863600
6	2014-09-21	398.8210144042969	412.4259948730469	393.1809997558594	408.0849914550781	26580100
7	2014-09-22	402.1520080566406	406.9159851074219	397.1300048828125	399.1000061035156	24127600
8	2014-09-23	435.7909851074219	441.5570068359375	396.1969909667969	402.0920104980469	45099500
9	2014-09-24	423.2049865722656	436.11199951171875	421.1319885253906	435.7510070800781	30627700

	Date	Close	High	Low	Open	Volume
0	2014-09-17	457.334015	468.174011	452.421997	465.864014	21056800
1	2014-09-18	424.440002	456.859985	413.104004	456.859985	34483200
2	2014-09-19	394.795990	427.834991	384.532013	424.102997	37919700
3	2014-09-20	408.903992	423.295990	389.882996	394.673004	36863600
4	2014-09-21	398.821014	412.425995	393.181000	408.084991	26580100
5	2014-09-22	402.152008	406.915985	397.130005	399.100006	24127600
6	2014-09-23	435.790985	441.557007	396.196991	402.092010	45099500
7	2014-09-24	423.204987	436.112000	421.131989	435.751007	30627700
8	2014-09-25	411.574005	423.519989	409.467987	423.156006	26814400
9	2014-09-26	404.424988	414.937988	400.009003	411.428986	21460800

	Date	Close	High	Low	Open	Volume
0	2014-09-17	457.334015	468.174011	452.421997	465.864014	21056800
1	2014-09-18	424.440002	456.859985	413.104004	456.859985	34483200
2	2014-09-19	394.795990	427.834991	384.532013	424.102997	37919700
3	2014-09-20	408.903992	423.295990	389.882996	394.673004	36863600
4	2014-09-21	398.821014	412.425995	393.181000	408.084991	26580100
5	2014-09-22	402.152008	406.915985	397.130005	399.100006	24127600
6	2014-09-23	435.790985	441.557007	396.196991	402.092010	45099500
7	2014-09-24	423.204987	436.112000	421.131989	435.751007	30627700
8	2014-09-25	411.574005	423.519989	409.467987	423.156006	26814400
9	2014-09-26	404.424988	414.937988	400.009003	411.428986	21460800

	Date	Close	High	Low	Open	Volume
count	4001	4001.000000	4001.000000	4001.000000	4001.000000	4.001000e+03
mean	2020-03-09 00:00:00	24503.271694	24987.421386	23943.375428	24477.318038	2.046297e+10
min	2014-09-17 00:00:00	178.102997	211.731003	171.509995	176.897003	5.914570e+06
25%	2017-06-13 00:00:00	2464.580078	2537.159912	2332.989990	2446.239990	1.043740e+09
50%	2020-03-09 00:00:00	10233.900391	10434.922852	9946.675781	10230.365234	1.641803e+10
75%	2022-12-04 00:00:00	38794.972656	39835.140625	37629.359375	38794.464844	3.187828e+10
max	2025-08-30 00:00:00	123344.062500	124457.117188	118959.195312	123339.398438	3.509679e+11
std	NaN	29047.501726	29547.562853	28470.604638	29020.457632	2.180934e+10

Итоговый проект по курсу "Аналитик данных" (ВШЭ)¶

Тема проекта:

"Предсказание цены криптовалюты (Time Series)"

Содержание¶

1. Вводная часть¶

2. Сбор и подготовка данных¶

3. Исследовательский анализ данных (EDA)¶

3.1. Графические визуализации данных о ценах¶

3.2. Графические визуализации объемов торгов¶

3.3. Проверка корреляции цен закрытия Bitcoin с другими активами: золото, нефть, индийская рупия¶

3.4. Расчет дополнительных признаков (идентификаторов)¶

Скользящие средние SMA(50) и SMA(200)¶

MACD (12, 26, 9)¶

ATR (Average True Range, 14)¶

3.5. Формирование итогового датасета с коррелирующими признаками¶

3.6. Декомпозиция временного ряда¶

4. Подготовка файла и функции для фиксации метрик качества моделей¶

4.1. Метрики качества моделей¶

Root Mean Squared Error (RMSE)¶

Mean Absolute Error (MAE)¶

Mean Absolute Percentage Error (MAPE)¶

4.2. Создание пустой таблицы (файла) для сохранения результатов проверки метрик качества моделей¶

4.3. Создание функции для сохранения полученных метрик качества моделей¶

5. Классические методы прогнозирования¶

ARIMA/SARIMA/Auto¶

Сравнение подходов к прогнозированию¶

6. Формирование выборки¶

7. Модели машинного обучения: обучение и оценка моделей, прогнозы и визуализация¶

7.1. Линейная регрессия¶

7.2. Random Forest¶

7.3. XGBoost¶

7.4. LSTM (Long Short-Term Memory)¶

7.5. Многопризнаковая (мультифичерная) модель LSTM¶

8. Интерпретация результатов¶

Чтение (выгрузка) файла с отсрортированными результатами метрик качества моделей при прогнозировании цены закрытия Bitcoin (t+1)¶

9. Заключение¶

Для дашборда: Датасет с прогнозами и ошибками прогнозов моделей¶

	Date	BTC	Oil	Gold	INR
0	2014-09-17	457.334015	94.419998	1234.400024	61.053001
1	2014-09-18	424.440002	93.070000	1225.699951	60.908001
2	2014-09-19	394.795990	92.410004	1215.300049	60.689999
3	2014-09-22	402.152008	91.519997	1216.800049	60.853001
4	2014-09-23	435.790985	91.559998	1221.000000	61.000000
5	2014-09-24	423.204987	92.800003	1218.599976	60.980000
6	2014-09-25	411.574005	92.529999	1221.199951	60.810001
7	2014-09-26	404.424988	93.540001	1214.099976	61.490002
8	2014-09-29	375.467010	94.570000	1217.500000	61.138000
9	2014-09-30	386.944000	91.160004	1210.500000	61.553001
10	2014-10-01	383.614990	90.730003	1214.599976	61.820000
11	2014-10-02	375.071991	91.010002	1214.199951	61.713001
12	2014-10-03	359.511993	89.739998	1192.199951	61.439999
13	2014-10-06	330.079010	90.339996	1206.699951	61.537998
14	2014-10-07	336.187012	88.849998	1211.699951	61.209999

Значение MAPE	Интерпретация точности прогноза
< 5%	Очень высокая точность
5–20%	Хорошая точность
20–50%	Удовлетворительная точность
> 50%	Низкая точность, прогноз практически непригоден

	Date	Actual_Close	Pred_Close	Error
170	2025-08-18	116252.312500	100283.368844	15968.943656
171	2025-08-19	112831.179688	100283.368844	12547.810843
172	2025-08-20	114274.742188	100283.368844	13991.373343
173	2025-08-21	112419.031250	100283.368844	12135.662406
174	2025-08-22	116874.085938	100283.368844	16590.717093
175	2025-08-25	110124.351562	100283.368844	9840.982718
176	2025-08-26	111802.656250	100283.368844	11519.287406
177	2025-08-27	111222.062500	100283.368844	10938.693656
178	2025-08-28	112544.804688	100283.368844	12261.435843
179	2025-08-29	108410.835938	100283.368844	8127.467093

	Date	Actual_Close	Pred_Close	Error
170	2025-08-18	116252.312500	107042.963026	9209.349474
171	2025-08-19	112831.179688	107116.271001	5714.908686
172	2025-08-20	114274.742188	107151.580906	7123.161281
173	2025-08-21	112419.031250	107169.859536	5249.171714
174	2025-08-22	116874.085938	107240.043999	9634.041938
175	2025-08-25	110124.351562	107301.206034	2823.145528
176	2025-08-26	111802.656250	107330.573591	4472.082659
177	2025-08-27	111222.062500	107321.312299	3900.750201
178	2025-08-28	112544.804688	107394.620686	5150.184001
179	2025-08-29	108410.835938	107429.930209	980.905729

	Date	Actual_Close	Pred_Close	Error
170	2025-08-18	116252.312500	106746.754896	9505.557604
171	2025-08-19	112831.179688	106784.624297	6046.555390
172	2025-08-20	114274.742188	106822.493699	7452.248489
173	2025-08-21	112419.031250	106860.363100	5558.668150
174	2025-08-22	116874.085938	106898.232502	9975.853436
175	2025-08-25	110124.351562	106936.101903	3188.249659
176	2025-08-26	111802.656250	106973.971305	4828.684945
177	2025-08-27	111222.062500	107011.840706	4210.221794
178	2025-08-28	112544.804688	107049.710108	5495.094580
179	2025-08-29	108410.835938	107087.579509	1323.256428

Подход	Преимущества	Ограничения	Применимость к криптовалютам
ARIMA	Простая реализация; понятные параметры (p,d,q); доверительные интервалы прогноза	Требует стационарности; плохо работает при высокой волатильности; не учитывает внешние факторы	Даёт базовый ориентир (benchmark), но слабо описывает резкие колебания
SARIMA	Учитывает сезонность; расширяет возможности ARIMA	Сложнее настройка; подходит только при выраженных сезонных паттернах	Сезонность у криптовалют выражена слабо → модель не даёт значимого улучшения
ML (Linear Regression, Random Forest, XGBoost)	Улавливают нелинейные зависимости; можно включать внешние признаки (Gold, SMA, Volume); выше точность прогноза	Требуют подготовки признаков (лаги, индикаторы); меньше интерпретируемости, чем ARIMA	Хорошо подходят для краткосрочного прогноза и анализа влияния факторов
DL (LSTM)	Учитывает долгосрочные зависимости; гибко адаптируется к сложным паттернам	Требует больших данных и ресурсов; «чёрный ящик»	Может уловить скрытые режимы рынка и улучшить качество прогноза

	Date	Actual_Close_t+1	Pred_Close_t+1	Error
170	2025-08-16	116252.312500	117607.426626	-1355.114126
171	2025-08-19	112831.179688	116476.298952	-3645.119265
172	2025-08-20	114274.742188	113060.507869	1214.234319
173	2025-08-21	112419.031250	114499.984184	-2080.952934
174	2025-08-22	116874.085938	112622.315434	4251.770503
175	2025-08-23	110124.351562	117137.816461	-7013.464898
176	2025-08-26	111802.656250	110424.046607	1378.609643
177	2025-08-27	111222.062500	112055.243324	-833.180824
178	2025-08-28	112544.804688	111463.359399	1081.445289
179	2025-08-29	108410.835938	112781.527708	-4370.691771

	Date	Actual_Close_t+1	Pred_Close_t+1	Error
170	2025-08-16	116252.312500	97266.371979	18985.940521
171	2025-08-19	112831.179688	97244.622370	15586.557318
172	2025-08-20	114274.742188	97251.872240	17022.869948
173	2025-08-21	112419.031250	97266.371979	15152.659271
174	2025-08-22	116874.085938	97202.965755	19671.120182
175	2025-08-23	110124.351562	97115.744922	13008.606641
176	2025-08-26	111802.656250	96973.368646	14829.287604
177	2025-08-27	111222.062500	97095.498854	14126.563646
178	2025-08-28	112544.804688	97259.069714	15285.734974
179	2025-08-29	108410.835938	97202.965755	11207.870182

	Date	Actual_Close_t+1	Pred_Close_t+1	Error
170	2025-08-16	116252.312500	96437.078125	19815.234375
171	2025-08-19	112831.179688	96264.921875	16566.257812
172	2025-08-20	114274.742188	96489.695312	17785.046875
173	2025-08-21	112419.031250	96559.273438	15859.757812
174	2025-08-22	116874.085938	96140.640625	20733.445312
175	2025-08-23	110124.351562	94655.796875	15468.554688
176	2025-08-26	111802.656250	95534.945312	16267.710938
177	2025-08-27	111222.062500	95650.835938	15571.226562
178	2025-08-28	112544.804688	96209.500000	16335.304688
179	2025-08-29	108410.835938	96355.250000	12055.585938

	Date	Actual_Close	Pred_Close	Error
0	2024-12-19	97490.953125	99785.968750	-2295.015625
1	2024-12-20	97755.929688	99376.867188	-1620.937500
2	2024-12-23	94686.242188	98966.328125	-4280.085938
3	2024-12-24	98676.093750	98113.273438	562.820312
4	2024-12-25	99299.195312	97897.289062	1401.906250
5	2024-12-26	95795.515625	97813.898438	-2018.382812
6	2024-12-27	94164.859375	97272.898438	-3108.039062
7	2024-12-30	92643.210938	96561.445312	-3918.234375
8	2024-12-31	93429.203125	95701.890625	-2272.687500
9	2025-01-02	96886.875000	95053.156250	1833.718750

	Date	Close	High	Low	Open	Volume	SMA_50	SMA_200	MACD	MACD_signal	MACD_hist	ATR_14
0	2014-09-17	457.334015	468.174011	452.421997	465.864014	21056800	457.334015	457.334015	0.000000	0.000000	0.000000	15.752014
1	2014-09-18	424.440002	456.859985	413.104004	456.859985	34483200	440.887009	440.887009	-2.624024	-0.524805	-2.099219	29.991013
2	2014-09-19	394.795990	427.834991	384.532013	424.102997	37919700	425.523336	425.523336	-7.014744	-1.822793	-5.191951	34.428335
3	2014-09-20	408.903992	423.295990	389.882996	394.673004	36863600	421.368500	421.368500	-9.249402	-3.308115	-5.941288	34.174500
4	2014-09-21	398.821014	412.425995	393.181000	408.084991	26580100	416.859003	416.859003	-11.699137	-4.986319	-6.712818	31.188599
5	2014-09-22	402.152008	406.915985	397.130005	399.100006	24127600	414.407837	414.407837	-13.219400	-6.632935	-6.586465	27.621496
6	2014-09-23	435.790985	441.557007	396.196991	402.092010	45099500	417.462572	417.462572	-11.576391	-7.621626	-3.954764	30.155570
7	2014-09-24	423.204987	436.112000	421.131989	435.751007	30627700	418.180374	418.180374	-11.161219	-8.329545	-2.831674	28.258625
8	2014-09-25	411.574005	423.519989	409.467987	423.156006	26814400	417.446333	417.446333	-11.636576	-8.990951	-2.645625	26.680111
9	2014-09-26	404.424988	414.937988	400.009003	411.428986	21460800	416.144199	416.144199	-12.446688	-9.682099	-2.764590	25.504999
10	2014-09-27	399.519989	406.622986	397.372009	403.556000	15029300	414.632907	414.632907	-13.330831	-10.411845	-2.918986	24.027360
11	2014-09-28	377.181000	401.016998	374.332001	399.471008	23613300	411.511915	411.511915	-15.653645	-11.460205	-4.193440	24.248830
12	2014-09-29	375.467010	385.210999	372.239990	376.928009	32497700	408.739230	408.739230	-17.431852	-12.654534	-4.777318	23.381305
13	2014-09-30	386.944000	390.976990	373.442993	376.088013	34707300	407.182428	407.182428	-17.710838	-13.665795	-4.045043	22.963640
14	2014-10-01	383.614990	391.378998	380.779999	387.427002	26229400	405.611265	405.611265	-17.993146	-14.531265	-3.461881	22.595568

	Date	Close	High	Low	Open	Volume	SMA_50	SMA_200	MACD	MACD_signal	MACD_hist	ATR_14
0	2014-09-17	457.334015	468.174011	452.421997	465.864014	21056800	457.334015	457.334015	0.000000	0.000000	0.000000	15.752014
1	2014-09-18	424.440002	456.859985	413.104004	456.859985	34483200	440.887009	440.887009	-2.624024	-0.524805	-2.099219	29.991013
2	2014-09-19	394.795990	427.834991	384.532013	424.102997	37919700	425.523336	425.523336	-7.014744	-1.822793	-5.191951	34.428335
3	2014-09-20	408.903992	423.295990	389.882996	394.673004	36863600	421.368500	421.368500	-9.249402	-3.308115	-5.941288	34.174500
4	2014-09-21	398.821014	412.425995	393.181000	408.084991	26580100	416.859003	416.859003	-11.699137	-4.986319	-6.712818	31.188599
...	...	...	...	...	...	...	...	...	...	...	...	...
3996	2025-08-26	111802.656250	112397.015625	108762.039062	110124.101562	69396320317	116578.357813	100931.125156	-1035.359406	-328.303864	-707.055542	3506.690848
3997	2025-08-27	111222.062500	112619.414062	110398.265625	111795.710938	62137056409	116623.793594	101004.823203	-1202.538783	-503.150848	-699.387936	3326.571429
3998	2025-08-28	112544.804688	113450.078125	110900.921875	111219.054688	58860155962	116648.158594	101085.046758	-1214.297736	-645.380225	-568.917511	2994.208705
3999	2025-08-29	108410.835938	112619.054688	107559.625000	112550.523438	77843379644	116496.631250	101139.913164	-1539.447725	-824.193725	-715.254000	3179.329241
4000	2025-08-30	108808.070312	108929.351562	107444.445312	108409.406250	51486264208	116322.452813	101205.216367	-1744.963092	-1008.347599	-736.615493	3233.671875

	Date	Close	Volume	SMA_50	SMA_200	ATR_14	Gold	INR
0	2014-09-17	457.334015	21056800	457.334015	457.334015	15.752014	1234.400024	61.053001
1	2014-09-18	424.440002	34483200	440.887009	440.887009	29.991013	1225.699951	60.908001
2	2014-09-19	394.795990	37919700	425.523336	425.523336	34.428335	1215.300049	60.689999
3	2014-09-22	402.152008	24127600	414.407837	414.407837	27.621496	1216.800049	60.853001
4	2014-09-23	435.790985	45099500	417.462572	417.462572	30.155570	1221.000000	61.000000
...	...	...	...	...	...	...	...	...
2851	2025-08-25	110124.351562	85706860190	116508.301719	100854.757305	3395.174665	3373.800049	87.330101
2852	2025-08-26	111802.656250	69396320317	116578.357813	100931.125156	3506.690848	3388.600098	87.608597
2853	2025-08-27	111222.062500	62137056409	116623.793594	101004.823203	3326.571429	3404.600098	87.600700
2854	2025-08-28	112544.804688	58860155962	116648.158594	101085.046758	2994.208705	3431.800049	87.659103
2855	2025-08-29	108410.835938	77843379644	116496.631250	101139.913164	3179.329241	3473.699951	87.591698

	Close	Volume	SMA_50	SMA_200	ATR_14	Gold	INR
Date
2014-09-17	457.334015	21056800	457.334015	457.334015	15.752014	1234.400024	61.053001
2014-09-18	424.440002	34483200	440.887009	440.887009	29.991013	1225.699951	60.908001
2014-09-19	394.795990	37919700	425.523336	425.523336	34.428335	1215.300049	60.689999
2014-09-22	402.152008	24127600	414.407837	414.407837	27.621496	1216.800049	60.853001
2014-09-23	435.790985	45099500	417.462572	417.462572	30.155570	1221.000000	61.000000
...	...	...	...	...	...	...	...
2025-08-25	110124.351562	85706860190	116508.301719	100854.757305	3395.174665	3373.800049	87.330101
2025-08-26	111802.656250	69396320317	116578.357813	100931.125156	3506.690848	3388.600098	87.608597
2025-08-27	111222.062500	62137056409	116623.793594	101004.823203	3326.571429	3404.600098	87.600700
2025-08-28	112544.804688	58860155962	116648.158594	101085.046758	2994.208705	3431.800049	87.659103
2025-08-29	108410.835938	77843379644	116496.631250	101139.913164	3179.329241	3473.699951	87.591698

	Date	Actual_Close	Pred_Close	Error
170	2025-08-18	116252.304688	114561.632812	1690.671875
171	2025-08-19	112831.187500	114336.960938	-1505.773438
172	2025-08-20	114274.734375	113641.531250	633.203125
173	2025-08-21	112419.023438	113188.031250	-769.007812
174	2025-08-22	116874.093750	112524.156250	4349.937500
175	2025-08-25	110124.351562	112547.664062	-2423.312500
176	2025-08-26	111802.664062	111683.164062	119.500000
177	2025-08-27	111222.054688	111158.023438	64.031250
178	2025-08-28	112544.796875	110618.812500	1925.984375
179	2025-08-29	108410.828125	110346.656250	-1935.828125

	Date	Actual_Close	Pred_Close	Error
0	2024-12-11	101173.031250	99785.968750	2042.670871
1	2024-12-12	100043.000000	99376.867188	1090.113425
2	2024-12-13	101459.257812	98966.328125	2595.976127
3	2024-12-16	106029.718750	98113.273438	6745.682894
4	2024-12-17	106140.601562	97897.289062	4934.115155
5	2024-12-18	100041.539062	97813.898438	-2802.685970
6	2024-12-19	97490.953125	97272.898438	-6307.190628
7	2024-12-20	97755.929688	96561.445312	-5855.501541
8	2024-12-23	94686.242188	95701.890625	-8463.253006
9	2024-12-24	98676.093750	95053.156250	-2815.461292

	RunTimestamp	Model	RMSE, $	MAE, $	MAPE, %
3	2025-09-28 10:26:11	LinearRegression	2445.73	1867.67	1.90
6	2025-09-28 10:26:53	LSTM	4267.35	3405.81	3.36
7	2025-09-28 10:27:30	LSTM (multifeatures)	7539.22	6463.17	6.40
1	2025-09-28 10:24:58	SARIMA	10534.82	8169.51	8.69
2	2025-09-28 10:26:07	Auto-ARIMA/SARIMA	10539.07	8213.40	8.71
4	2025-09-28 10:26:15	Random Forest	11354.30	9458.95	9.18
5	2025-09-28 10:26:19	XGBoost	11780.89	9637.86	9.23
0	2025-09-28 10:24:48	ARIMA	11360.31	9592.98	9.73

Итоговый проект по курсу "Аналитик данных" (ВШЭ)¶

Тема проекта: "Предсказание цены криптовалюты (Time Series)"

Содержание¶

1. Вводная часть¶

2. Сбор и подготовка данных¶

3. Исследовательский анализ данных (EDA)¶

3.1. Графические визуализации данных о ценах¶

3.2. Графические визуализации объемов торгов¶

3.3. Проверка корреляции цен закрытия Bitcoin с другими активами: золото, нефть, индийская рупия¶

3.4. Расчет дополнительных признаков (идентификаторов)¶

Скользящие средние SMA(50) и SMA(200)¶

MACD (12, 26, 9)¶

ATR (Average True Range, 14)¶

3.5. Формирование итогового датасета с коррелирующими признаками¶

3.6. Декомпозиция временного ряда¶

4. Подготовка файла и функции для фиксации метрик качества моделей¶

4.1. Метрики качества моделей¶

Root Mean Squared Error (RMSE)¶

Mean Absolute Error (MAE)¶

Mean Absolute Percentage Error (MAPE)¶

4.2. Создание пустой таблицы (файла) для сохранения результатов проверки метрик качества моделей¶

4.3. Создание функции для сохранения полученных метрик качества моделей¶

5. Классические методы прогнозирования¶

ARIMA/SARIMA/Auto¶

Сравнение подходов к прогнозированию¶

6. Формирование выборки¶

7. Модели машинного обучения: обучение и оценка моделей, прогнозы и визуализация¶

7.1. Линейная регрессия¶

7.2. Random Forest¶

7.3. XGBoost¶

7.4. LSTM (Long Short-Term Memory)¶

7.5. Многопризнаковая (мультифичерная) модель LSTM¶

8. Интерпретация результатов¶

Чтение (выгрузка) файла с отсрортированными результатами метрик качества моделей при прогнозировании цены закрытия Bitcoin (t+1)¶

9. Заключение¶

Для дашборда: Датасет с прогнозами и ошибками прогнозов моделей¶

Тема проекта:

"Предсказание цены криптовалюты (Time Series)"